Odds and Ends

英語多読

統計で英語多読 6-1: 母平均の推定と検定 — Z検定とt検定の使い分け

母平均の推定と検定を題材にした英語多読ユニット。約890語の英文と全文日本語訳で、Z検定とt検定の使い分けの基準をたどります。

ストック

英語多読 統計

「大人のための英語多読図書館」へようこそ。今回は、1つの標本の平均値から母平均を推定・検定する2つの手法、Z検定とt検定の使い分けを、英語の文章でたどっていきます。

📊 このユニットの情報 語数: 約890語 / 推定読了時間: 6〜9分 / 難易度: ★★☆☆☆(初中級)

Learning Objectives

みなさんこんにちは。大人のための英語多読図書館へようこそ。

この章からはいよいよ、統計的推測の具体的な手法に入っていきます。今回は、一番基本的で最もよく使われる「1つの標本の平均値」に注目します。例えば、「ある工場で生産される製品の平均重量は、目標の500gと言えるだろうか？」といった疑問に、データを使って客観的に答える方法を学びます。

この分析には「Z検定」と「t検定」という2つの強力なツールがありますが、どちらをいつ使うのかが重要なポイントになります。その使い分けのルールはとてもシンプルです。このルールさえ押さえれば、自信を持って平均値の分析ができるようになりますよ。

それでは今回も多読を楽しんでいきましょう。

Summary

  • Hypothesis testing for a population mean is used to determine if a sample mean is statistically different from a known or hypothesized population mean.
  • The choice between a Z-test and a t-test depends on whether the population variance (\({\sigma^2}\)) is known.
  • A Z-test is used when the population variance is known and the population is normally distributed, or the sample size is large (typically n > 30).
  • A t-test is used when the population variance is unknown and must be estimated from the sample. It uses the t-distribution, which accounts for the extra uncertainty.
  • The steps for hypothesis testing include: (1) stating the null (\(H_0\)) and alternative (\(H_1\)) hypotheses, (2) setting a significance level (\(\alpha\)), (3) calculating the test statistic (Z or t), (4) making a decision by comparing the statistic to a critical value or p-value, and (5) drawing a conclusion.
  • Confidence intervals provide a range of plausible values for the population mean, which is another way to perform estimation.

Explanation

Estimating and Testing the Population Mean

In statistics, we often want to know about a characteristic of a large group, or population. For example, what is the average height of all adult women in a country? It's usually impossible to measure everyone. Instead, we take a sample and use its average (the sample mean, \(\bar{x}\)) to make an educated guess, or inference, about the population mean (\(\mu\)).

But how reliable is this guess? If we take a sample of 100 women and find their average height is 160 cm, can we confidently say the true average for all women is exactly 160 cm? Probably not. It could be 159.8 cm or 160.2 cm. Hypothesis testing and confidence intervals are methods to deal with this uncertainty.

Hypothesis testing helps us answer questions like: "Is the average height of women in this country different from the global average of 162 cm?"

The Key Question: Is the Population Variance (\(\sigma^2\)) Known?

When we test a hypothesis about a population mean, the first and most important question to ask is: "Do we know the population variance (\({\sigma^2}\))?" The answer to this question determines whether we use a Z-test or a t-test.

  1. If the population variance (\(\sigma^2\)) is KNOWN: We use the Z-test.
  2. If the population variance (\(\sigma^2\)) is UNKNOWN: We use the t-test.

In the real world, it's very rare to know the true population variance. You would need data from the entire population, which is usually impractical. Therefore, the t-test is used much more frequently in practice. The Z-test is often taught first because it provides a simpler foundation for understanding the logic of hypothesis testing.

Z-Test: When Population Variance (\(\sigma^2\)) is Known

Let's imagine a scenario where we know the population variance. For example, a machine that fills bags with sugar has been operating for years, and we know from historical data that the standard deviation (\(\sigma\)) of the weight of the bags is 5 grams. The mean weight (\(\mu\)) is supposed to be 500 grams. We take a sample of 36 bags to check if the machine is working correctly. The sample mean (\(\bar{x}\)) is 498 grams.

Here's how we would perform a Z-test:

  1. State Hypotheses:

    • Null Hypothesis (\(H_0\)): \(\mu = 500\) (The machine is working correctly.)
    • Alternative Hypothesis (\(H_1\)): \(\mu \neq 500\) (The machine is not working correctly.)

  2. Set Significance Level (\(\alpha\)): Let's choose \(\alpha = 0.05\). This means we are willing to accept a 5% chance of making a mistake.

  3. Calculate the Z-statistic: The formula is: \[ Z = \frac{\bar{x} - \mu}{\sigma / \sqrt{n}} \] In our example: \[ Z = \frac{498 - 500}{5 / \sqrt{36}} = \frac{-2}{5 / 6} = -2.4 \]

  4. Make a Decision: We compare our Z-statistic (-2.4) to the critical values from the standard normal distribution for \(\alpha = 0.05\). For a two-tailed test, the critical values are -1.96 and +1.96. Since -2.4 is outside this range, we reject the null hypothesis.

  5. Conclusion: There is enough statistical evidence to conclude that the machine is not filling the bags with an average of 500 grams.

t-Test: When Population Variance (\(\sigma^2\)) is Unknown

Now for the more realistic case. Let's say we are testing a new fertilizer. We want to know if it increases the average crop yield above the current average of 30 bushels per acre. We test it on 16 plots of land. We don't know the population variance of the yield with the new fertilizer.

Our sample of 16 plots gives a sample mean (\(\bar{x}\)) of 32 bushels and a sample standard deviation (s) of 3 bushels.

  1. State Hypotheses:

    • Null Hypothesis (\(H_0\)): \(\mu \le 30\) (The fertilizer does not increase the yield.)
    • Alternative Hypothesis (\(H_1\)): \(\mu > 30\) (The fertilizer increases the yield.)

  2. Set Significance Level (\(\alpha\)): Let's use \(\alpha = 0.05\).

  3. Calculate the t-statistic: The formula is very similar, but we use the sample standard deviation (s) instead of the population standard deviation (\(\sigma\)). \[ t = \frac{\bar{x} - \mu}{s / \sqrt{n}} \] In our example: \[ t = \frac{32 - 30}{3 / \sqrt{16}} = \frac{2}{3 / 4} = 2.67 \]

  4. Make a Decision: We compare our t-statistic (2.67) to a critical value from the t-distribution. The t-distribution depends on the degrees of freedom (df), which is \(n-1\). Here, df = 16 - 1 = 15. For a one-tailed test with \(\alpha = 0.05\) and df=15, the critical value is approximately 1.753. Since 2.67 is greater than 1.753, we reject the null hypothesis.

  5. Conclusion: We have sufficient evidence to suggest that the new fertilizer significantly increases the crop yield.

In summary, the choice is simple: know \(\sigma\)? Use Z. Don't know \(\sigma\)? Use t. Since we rarely know \(\sigma\), the t-test is your go-to tool for testing a single population mean.

まとめ

今回は、1つの標本の平均値から母平均を推定・検定するとき、Z検定とt検定のどちらを使うかは「母分散がわかっているか」で決まることを見てきました。母分散が既知ならZ検定、未知ならt検定で、現実には母分散を知っていることはまれなので、t検定を使う場面のほうが圧倒的に多いという点が実務上のポイントです。砂糖袋の重量や肥料の収量といった具体例を通じて、仮説の設定から統計量の計算、判断、結論までの流れを追いました。

次回は、平均値ではなく「比率」に注目し、母比率を正規近似を使って推定・検定する方法を見ていきます。

日本語訳(全文)

英文を最後まで読み終えてから、答え合わせ用にお使いください。多読の原則として、まずは訳を見ずに英文だけで理解を試みることをおすすめします。

Summary

  • 母平均の仮説検定は、標本平均が、既知あるいは仮定された母平均と統計的に異なっているかどうかを判断するために使われます。
  • Z検定とt検定のどちらを選ぶかは、母分散（\({\sigma^2}\)）がわかっているかどうかによって決まります。
  • Z検定は、母分散が既知で、かつ母集団が正規分布している場合、または標本サイズが大きい場合（一般にn > 30）に使われます。
  • t検定は、母分散が未知で、標本から推定しなければならない場合に使われます。t検定はt分布を用い、この余分な不確実性を考慮に入れます。
  • 仮説検定の手順は次のとおりです。(1) 帰無仮説（\(H_0\)）と対立仮説（\(H_1\)）を立てる、(2) 有意水準（\(\alpha\)）を設定する、(3) 検定統計量（Zまたはt）を計算する、(4) 統計量を臨界値またはp値と比較して判断を下す、(5) 結論を導く。
  • 信頼区間は、母平均としてもっともらしい値の範囲を与えてくれます。これも推定を行うもう一つの方法です。

母平均の推定と検定

統計学では、大きな集団、すなわち母集団の特徴を知りたいことがよくあります。たとえば、ある国の成人女性全員の平均身長はいくつでしょうか。全員を測ることはたいてい不可能です。そこで私たちは標本をとり、その平均（標本平均、\(\bar{x}\)）を使って、母平均（\(\mu\)）について根拠のある推測、すなわち推論を行います。

しかし、この推測はどれほど信頼できるのでしょうか。100人の女性の標本をとって平均身長が160 cmだったとして、女性全員の本当の平均がちょうど160 cmだと自信を持って言えるでしょうか。おそらく言えません。159.8 cmかもしれませんし、160.2 cmかもしれません。仮説検定と信頼区間は、この不確実性に対処するための方法です。

仮説検定は、「この国の女性の平均身長は、世界平均の162 cmと異なっているか」といった問いに答える助けになります。

核心となる問い: 母分散（\(\sigma^2\)）はわかっているか?

母平均についての仮説を検定するとき、最初に問うべき最も重要な質問は、「母分散（\({\sigma^2}\)）はわかっているか」です。この問いへの答えが、Z検定を使うかt検定を使うかを決めます。

  1. 母分散（\(\sigma^2\)）が既知の場合: Z検定を使います。
  2. 母分散（\(\sigma^2\)）が未知の場合: t検定を使います。

現実の世界では、本当の母分散を知っていることはきわめてまれです。それを知るには母集団全体のデータが必要になり、それはたいてい現実的ではありません。したがって、実務ではt検定のほうがはるかに頻繁に使われます。Z検定が先に教えられることが多いのは、仮説検定の論理を理解するための、よりシンプルな土台を与えてくれるからです。

Z検定: 母分散（\(\sigma^2\)）が既知の場合

母分散がわかっている場面を想像してみましょう。たとえば、砂糖を袋に詰める機械が何年も稼働していて、過去のデータから、袋の重さの標準偏差（\(\sigma\)）が5グラムだとわかっているとします。平均重量（\(\mu\)）は500グラムであるはずです。機械が正しく動いているかを確認するために、36袋の標本をとります。標本平均（\(\bar{x}\)）は498グラムでした。

Z検定は次のように行います。

  1. 仮説を立てる:

    • 帰無仮説（\(H_0\)）: \(\mu = 500\)（機械は正しく動いている。）
    • 対立仮説（\(H_1\)）: \(\mu \neq 500\)（機械は正しく動いていない。）

  2. 有意水準（\(\alpha\)）を設定する: \(\alpha = 0.05\)を選びましょう。これは、5%の確率で誤りを犯すことを受け入れる、という意味です。

  3. Z統計量を計算する: 式は次のとおりです。 \[ Z = \frac{\bar{x} - \mu}{\sigma / \sqrt{n}} \] 今回の例では、 \[ Z = \frac{498 - 500}{5 / \sqrt{36}} = \frac{-2}{5 / 6} = -2.4 \]

  4. 判断を下す: Z統計量（-2.4）を、\(\alpha = 0.05\)に対する標準正規分布の臨界値と比較します。両側検定では、臨界値は-1.96と+1.96です。-2.4はこの範囲の外にあるので、私たちは帰無仮説を棄却します。

  5. 結論: 機械が平均500グラムで袋詰めしていない、と結論づけるのに十分な統計的証拠があります。

t検定: 母分散（\(\sigma^2\)）が未知の場合

次に、より現実的な場合です。新しい肥料を試しているとしましょう。その肥料が、現在の平均である1エーカーあたり30ブッシェルを超えて平均収量を増やすかどうかを知りたいとします。16区画の土地で試します。新しい肥料による収量の母分散はわかりません。

16区画の標本からは、標本平均（\(\bar{x}\)）が32ブッシェル、標本標準偏差（s）が3ブッシェルと得られました。

  1. 仮説を立てる:

    • 帰無仮説（\(H_0\)）: \(\mu \le 30\)（肥料は収量を増やさない。）
    • 対立仮説（\(H_1\)）: \(\mu > 30\)（肥料は収量を増やす。）

  2. 有意水準（\(\alpha\)）を設定する: \(\alpha = 0.05\)を使いましょう。

  3. t統計量を計算する: 式は非常によく似ていますが、母標準偏差（\(\sigma\)）の代わりに標本標準偏差（s）を使います。 \[ t = \frac{\bar{x} - \mu}{s / \sqrt{n}} \] 今回の例では、 \[ t = \frac{32 - 30}{3 / \sqrt{16}} = \frac{2}{3 / 4} = 2.67 \]

  4. 判断を下す: t統計量（2.67）を、t分布の臨界値と比較します。t分布は自由度（df）に依存し、それは\(n-1\)です。ここでは、df = 16 - 1 = 15です。\(\alpha = 0.05\)、df=15の片側検定では、臨界値はおよそ1.753です。2.67は1.753より大きいので、私たちは帰無仮説を棄却します。

  5. 結論: 新しい肥料が作物の収量を有意に増やすことを示唆する、十分な証拠があります。

まとめると、選択はシンプルです。\(\sigma\)がわかっているか？ならZ。\(\sigma\)がわからないか？ならt。私たちが\(\sigma\)を知っていることはまれなので、1つの母平均を検定するうえで、t検定があなたの頼れる道具になります。